《表4 不同模型在不同预测长度下的平均RMSE》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于LSTM神经网络的青藏高原月降水量预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

结合上文5种模型预测36个月降水量的结果，不改变模型中的神经元个数、学习率等超参数，只将预测长度设置为24、12和6个月（图12）。取所有测站点RMSE平均值，结果如表4所示。根据表4，除了ARIMA模型在预测长度为12时的RMSE略高于预测长度为24时的RMSE，其余情况下，随着预测长度的增加，5种预测模型的RMSE都有所提高，即预测精度都有所下降。本次试验中LSTM模型在不同预测长度下，其RMSE都要低于其他4种模型，并且从低到高依次为LSTM、RNN、SSA、NAR和ARIMA，因此可得出在降水时间序列预测中，LSTM模型预测精度更高。